Jeśli kiedykolwiek zastanawiałeś się nad złożonymi systemami, prawdopodobnie rozumiesz znaczenie sieci. Sieci rządzą naszym światem. Od reakcji chemicznych zachodzących w komórce, przez sieć relacji w ekosystemie, po sieci handlowe i polityczne, które kształtują bieg historii.

Lub rozważ ten artykuł, który czytasz. Prawdopodobnie znalazłeś to w sieć społeczna, pobrany z śieć komputerowa i obecnie rozszyfrujesz znaczenie, używając twojego sieć neuronowa.

Ale choć przez lata myślałem o sieciach, aż do niedawna nie rozumiałem, jak ważne jest prostota dyfuzja.

To jest nasz dzisiejszy temat: jak, jak chaotycznie wszystko się porusza i rozprzestrzenia. Kilka przykładów na zaostrzenie apetytu:

• Choroby zakaźne przenoszące się z nosiciela na nosiciela w obrębie populacji.
• Memy rozprzestrzeniające się po wykresie obserwujących w sieciach społecznościowych.
• Pożar lasu.
• Idee i praktyki przenikające kulturę.
• Kaskada neutronów we wzbogaconym uranie.

Krótka uwaga na temat formy.

W przeciwieństwie do wszystkich moich poprzednich prac, ten esej ma charakter interaktywny [w oryginalny artykuł podano interaktywne przykłady z suwakami i przyciskami sterującymi obiektami na ekranie - ok. uliczka].

Więc zacznijmy. Pierwszym zadaniem jest opracowanie słownictwa wizualnego do rozpowszechniania w sieciach.

Prosty model

Jestem pewien, że wszyscy znacie podstawy sieci, czyli węzły + krawędzie. Aby zbadać dyfuzję, wystarczy oznaczyć niektóre węzły jako aktywny. Lub, jak lubią mawiać epidemiolodzy, zainfekowany:

Ta aktywacja lub infekcja rozprzestrzenia się w sieci od węzła do węzła zgodnie z zasadami, które opracujemy poniżej.

Prawdziwe sieci są zazwyczaj znacznie większe niż prosta sieć z siedmioma węzłami. Są też znacznie bardziej zagmatwane. Ale dla uproszczenia zbudujemy tutaj model zabawki, aby zbadać siatkę, czyli sieć kratową.

(To, czego siatce brakuje w realizmie, nadrabia łatwością rysowania 😉

O ile nie zaznaczono inaczej, węzły sieciowe mają czterech sąsiadów, na przykład:

I musisz sobie wyobrazić, że te sieci rozciągają się w nieskończoność we wszystkich kierunkach. Innymi słowy, nie interesują nas zachowania, które występują tylko na obrzeżach sieci lub w małych populacjach.

Biorąc pod uwagę, że siatki są tak uporządkowane, możemy je uprościć do pikseli. Na przykład te dwa obrazy przedstawiają tę samą sieć:

W jednym przypadku aktywny węzeł zawsze przenosi infekcję do swoich (niezainfekowanych) sąsiadów. Ale to nudne. Dużo ciekawsze rzeczy dzieją się po transferze probabilistyczny.

SIR i SIS

В modele SIR (Podatny-Zainfekowany-Usunięty) węzeł może znajdować się w trzech stanach:

• Podatny
• Zainfekowany
• REMOVED

Oto jak działa interaktywna symulacja [w oryginalny artykuł możesz wybrać współczynnik transmisji infekcji od 0 do 1, zobaczyć proces krok po kroku lub w całości - ok. tłumacz.]:

• Węzły początkowo są podatne, z wyjątkiem kilku węzłów, które początkowo są zakażone.
• Na każdym etapie zainfekowane węzły mają szansę przenieść infekcję na każdego ze swoich podatnych sąsiadów z prawdopodobieństwem równym szybkości transmisji.
• Zainfekowane węzły wchodzą następnie w stan „usunięty”, co oznacza, że ​​nie mogą już infekować innych ani same zostać zainfekowane.

W kontekście choroby usunięcie może oznaczać śmierć danej osoby lub nabycie przez nią odporności na patogen. Mówimy, że są „usunięte” z symulacji, ponieważ nic innego się z nimi nie dzieje.

W zależności od tego, co chcemy modelować, może być potrzebny inny model niż SIR.

Jeśli symulujemy rozprzestrzenianie się odry lub epidemię pożarów, SIR jest idealnym rozwiązaniem. Załóżmy jednak, że symulujemy rozprzestrzenianie się nowej praktyki kulturowej, takiej jak medytacja. Na początku węzeł (osoba) jest otwarty, ponieważ nigdy wcześniej tego nie robił. Następnie, jeśli zacznie medytować (być może po usłyszeniu o tym od znajomego), będziemy go modelować jako zakażonego. Jeśli jednak zaprzestanie praktyki, nie umrze i nie wypadnie z symulacji, ponieważ w przyszłości z łatwością będzie mógł ponownie nabrać tego nawyku. Wraca więc do stanu receptywności.

To model SI (Wrażliwe – Zainfekowane – Wrażliwe). Model klasyczny ma dwa parametry: prędkość transmisji i prędkość odzyskiwania. Jednak w symulacjach do tego artykułu zdecydowałem się na uproszczenie, pomijając parametr stopy odzysku. Zamiast tego zainfekowany węzeł automatycznie powraca do stanu podatnego w następnym kroku, chyba że zostanie zainfekowany przez jednego ze swoich sąsiadów. Ponadto pozwalamy, aby węzeł zainfekowany w kroku n zainfekował się sam w kroku n+1 z prawdopodobieństwem równym szybkości transmisji.

Dyskusja

Jak widać, różni się to znacznie od modelu SIR.

Ponieważ węzły nigdy nie są usuwane, nawet bardzo mała i ciasna siatka może podtrzymać infekcję SIS przez długi czas. Infekcja po prostu przeskakuje z węzła do węzła i wraca.

Pomimo różnic, SIR i SIS okazują się zaskakująco wymienne dla naszych celów. Dlatego przez resztę tego artykułu pozostaniemy przy systemie SIS – głównie dlatego, że jest trwalszy, a zatem przyjemniejszy w pracy.

Poziom krytyczny

Po zabawie z modelami SIR i SIS być może zauważyłeś coś na temat czasu trwania infekcji. Przy bardzo niskim współczynniku transmisji, na przykład 10%, infekcja ma tendencję do wymierania. Przy wyższych wartościach, np. 50%, infekcja pozostaje żywa i przejmuje większość sieci. Gdyby sieć była nieskończona, moglibyśmy sobie wyobrazić, że będzie trwała i rozprzestrzeniała się w nieskończoność.

Takie nieograniczone rozpowszechnianie ma wiele nazw: „wirusowe”, „nuklearne” lub (w tytule tego artykułu) krytyczny.

Okazuje się, że istnieje konkretny punkt krytyczny, który oddziela sieci podkrytyczne (skazany na wyginięcie) od sieci nadkrytyczne (zdolny do nieskończonego wzrostu). Ten punkt zwrotny nazywa się próg krytycznyi jest to dość ogólny znak procesów dyfuzyjnych w zwykłych sieciach.

Dokładna wartość progu krytycznego różni się w zależności od sieci. To, co jest powszechne, to to dostępność takie znaczenie.

[W interaktywnej wersji demonstracyjnej z oryginalny artykuł Możesz spróbować ręcznie znaleźć krytyczny próg sieci, zmieniając wartość prędkości transmisji. Jest to gdzieś pomiędzy 22% a 23% – ok. przeł.]

Przy 22% (i poniżej) infekcja ostatecznie wymiera. Przy 23% (i więcej) pierwotna infekcja czasami wygasa, ale w większości przypadków udaje jej się przetrwać i rozprzestrzeniać się wystarczająco długo, aby zapewnić jej istnienie na zawsze.

(Nawiasem mówiąc, istnieje cała dziedzina nauki poświęcona znajdowaniu tych progów krytycznych dla różnych topologii sieci. Aby uzyskać szybkie wprowadzenie, polecam szybko przewinąć artykuł w Wikipedii na temat próg wycieku).

Ogólnie rzecz biorąc, wygląda to tak: poniżej progu krytycznego gwarantuje się, że każda skończona infekcja w sieci (z prawdopodobieństwem 1) w końcu wymrze. Jednak powyżej progu krytycznego istnieje prawdopodobieństwo (p > 0), że infekcja będzie trwać wiecznie i w ten sposób rozprzestrzeni się dowolnie daleko od pierwotnego miejsca.

Należy jednak pamiętać, że sieć nadkrytyczna taka nie jest gwarancjeże infekcja będzie trwać wiecznie. W rzeczywistości często zanika, szczególnie na bardzo wczesnych etapach symulacji. Zobaczmy, jak to się dzieje.

Załóżmy, że zaczynaliśmy od jednego zainfekowanego węzła i czterech sąsiadów. Na pierwszym etapie modelowania infekcja ma 5 niezależnych szans na rozprzestrzenienie się (w tym szansę na „rozprzestrzenienie się” na siebie w następnym kroku):

Załóżmy teraz, że współczynnik transferu wynosi 50%. W tym przypadku w pierwszym kroku rzucamy pięciokrotnie monetą. A jeśli wyrzuci pięć głów, infekcja zostanie zniszczona. Dzieje się tak w około 3% przypadków – i to dopiero na pierwszym etapie. Infekcja, która przetrwa pierwszy etap, ma pewne (zwykle mniejsze) prawdopodobieństwo wymarcia w drugim etapie, pewne (jeszcze mniejsze) prawdopodobieństwo wymarcia w trzecim etapie itp.

Zatem nawet gdy sieć jest w trybie nadkrytycznym – jeśli szybkość transmisji wynosi 99% – istnieje szansa, że ​​infekcja zniknie.

Ale najważniejsze, że tak nie jest zawsze zniknie. Jeśli dodasz prawdopodobieństwo, że wszystkie etapy wygasną do nieskończoności, wynik będzie mniejszy niż 1. Innymi słowy, istnieje niezerowe prawdopodobieństwo, że infekcja będzie trwać wiecznie. To właśnie oznacza, że ​​sieć jest nadkrytyczna.

SISa: spontaniczna aktywacja

Do tego momentu wszystkie nasze symulacje zaczynały się od małego fragmentu wstępnie zainfekowanych węzłów w środku.

Ale co, jeśli zaczniesz od zera? Następnie modelujemy spontaniczną aktywację — proces, w wyniku którego podatny węzeł zostaje zainfekowany przez przypadek (nie przez jednego z sąsiadów).

To nazywane model SIS. Litera „a” oznacza „automatyczny”.

W symulacji SISa pojawia się nowy parametr – szybkość spontanicznej aktywacji, która zmienia częstotliwość spontanicznej infekcji (występuje także parametr szybkości transmisji, który widzieliśmy wcześniej).

Co jest potrzebne, aby infekcja rozprzestrzeniła się w sieci?

Dyskusja

Być może zauważyłeś w symulacji, że zwiększenie szybkości spontanicznej aktywacji nie ma wpływu na to, czy infekcja przejmie całą sieć, czy nie. Tylko prędkość transmisji określa, czy sieć jest podkrytyczna czy nadkrytyczna. A gdy sieć jest podkrytyczna (szybkość transmisji mniejsza lub równa 22%), żadna infekcja nie może rozprzestrzenić się na całą sieć, niezależnie od tego, jak często się uruchamia.

To jak rozpalanie ognia na mokrym polu. Możesz podpalić kilka suchych liści, ale płomień szybko zgaśnie, ponieważ reszta krajobrazu nie jest wystarczająco łatwopalna (podkrytyczna). Na bardzo suchym polu (nadkrytycznym) wystarczy jedna iskra, aby ogień zaczął szaleć.

Podobnie rzecz się ma w sferze idei i wynalazków. Często świat nie jest gotowy na ideę, w takim przypadku można ją wymyślać raz za razem, ale nie przyciąga ona mas. Z drugiej strony świat może być całkowicie gotowy na wynalazek (duże ukryte zapotrzebowanie), a gdy tylko się narodzi, jest akceptowany przez wszystkich. Pośrodku znajdują się pomysły, które powstają w kilku miejscach i rozprzestrzeniają się lokalnie, ale nie na tyle, aby jakakolwiek pojedyncza wersja ogarnęła jednocześnie całą sieć. W tej ostatniej kategorii znajdujemy na przykład rolnictwo i pismo, które zostały niezależnie wynalezione przez różne cywilizacje ludzkie odpowiednio około dziesięć i trzy razy.

odporność

Załóżmy, że sprawimy, że niektóre węzły będą całkowicie niewrażliwe, to znaczy odporne na aktywację. To tak, jakby początkowo znajdowały się w stanie zdalnym, a na pozostałych węzłach uruchamiany jest model SIS(a).

Suwak odporności kontroluje procent usuniętych węzłów. Spróbuj zmienić jego wartość (podczas działania modelu!) i zobacz, jak wpłynie to na stan sieci, czy będzie on nadkrytyczny, czy nie.

Dyskusja

Zmiana liczby niereagujących węzłów całkowicie zmienia obraz tego, czy sieć będzie podkrytyczna, czy nadkrytyczna. I nie trudno zrozumieć dlaczego. Przy dużej liczbie niewrażliwych żywicieli infekcja ma mniejsze szanse na rozprzestrzenienie się na nowych żywicieli.

Okazuje się, że ma to szereg bardzo istotnych konsekwencji praktycznych.

Jednym z nich jest zapobieganie rozprzestrzenianiu się pożarów lasów. Na poziomie lokalnym każda osoba musi podjąć własne środki ostrożności (na przykład nigdy nie pozostawiać otwartego ognia bez nadzoru). Jednak na dużą skalę izolowane epidemie są nieuniknione. Zatem inną metodą ochrony jest zapewnienie wystarczającej liczby „przerw” (w sieci materiałów łatwopalnych), aby epidemia nie ogarnęła całej sieci. Rozliczenia spełniają tę funkcję:

Kolejną epidemią, którą należy powstrzymać, jest choroba zakaźna. Tutaj koncepcja jest przedstawiona odporność stadna. Jest to pogląd, że niektórych osób nie można zaszczepić (na przykład mają osłabiony układ odpornościowy), ale jeśli wystarczająca liczba osób będzie odporna na infekcję, choroba nie będzie mogła rozprzestrzeniać się w nieskończoność. Innymi słowy, należy się zaszczepić wystarczający części populacji w celu przeniesienia populacji ze stanu nadkrytycznego do stanu podkrytycznego. Kiedy tak się stanie, jeden pacjent może nadal zostać zakażony (na przykład po podróży do innego regionu), ale bez sieci nadkrytycznej, w której może się rozwijać, choroba zakaża tylko niewielką garstkę osób.

Wreszcie koncepcja węzłów odpornościowych wyjaśnia, co dzieje się w reaktorze jądrowym. W reakcji łańcuchowej rozkładający się atom uranu-235 uwalnia około trzech neutronów, które powodują (średnio) rozszczepienie więcej niż jednego atomu U-235. Nowe neutrony powodują następnie dalsze rozszczepianie atomów i tak dalej wykładniczo:

Konstruując bombę, chodzi o to, aby zapewnić dalszy, niekontrolowany wykładniczy wzrost. Celem elektrowni jest jednak wytwarzanie energii bez zabijania wszystkich wokół. W tym celu się je wykorzystuje pręty sterujące, wykonane z materiału, który może pochłaniać neutrony (na przykład srebro lub bor). Ponieważ absorbują, a nie uwalniają neutrony, w naszej symulacji działają jak węzły odpornościowe, zapobiegając w ten sposób przejściu jądra radioaktywnego w stan nadkrytyczny.

Zatem trik z reaktorem jądrowym polega na utrzymaniu reakcji w pobliżu progu krytycznego poprzez przesuwanie prętów regulacyjnych tam i z powrotem i upewnieniu się, że gdy coś pójdzie nie tak, pręty wpadną do rdzenia i zatrzymają go.

Степень

Степень węzła to liczba jego sąsiadów. Do tego momentu rozważaliśmy sieci stopnia 4. Ale co się stanie, jeśli zmienisz ten parametr?

Na przykład możesz połączyć każdy węzeł nie tylko z czterema bezpośrednimi sąsiadami, ale także z czterema kolejnymi po przekątnej. W takiej sieci stopień będzie wynosił 8.

Kraty o stopniach 4 i 8 są dobrze symetryczne. Ale przy stopniu 5 (na przykład) pojawia się problem: jakich pięciu sąsiadów wybrać? W tym przypadku wybieramy czterech najbliższych sąsiadów (N, E, S, W), a następnie losowo wybieramy jednego sąsiada ze zbioru {NE, SE, SW, NW}. Wyboru dokonuje się niezależnie dla każdego węzła w każdym kroku czasowym.

Dyskusja

Powtórzę: nie jest trudno zobaczyć, co się tutaj dzieje. Kiedy każdy węzeł ma więcej sąsiadów, ryzyko rozprzestrzeniania się infekcji wzrasta, a zatem istnieje większe prawdopodobieństwo, że sieć stanie się krytyczna.

Jednak konsekwencje mogą być nieoczekiwane, jak zobaczymy poniżej.

Miasta i gęstość sieci

Do tej pory nasze sieci były całkowicie jednorodne. Każdy węzeł wygląda jak każdy inny. Ale co, jeśli zmienimy warunki i zezwolimy na różne stany węzłów w całej sieci?

Spróbujmy na przykład modelować miasta. W tym celu zwiększymy gęstość w niektórych fragmentach sieci (wyższy stopień węzłów). Robimy to w oparciu o dane, którymi dysponują obywatele szerszy krąg społeczny i więcej interakcji społecznychniż ludzie spoza miast.

W naszym modelu podatne węzły są kolorowane w zależności od ich stopnia. Węzły na „obszarach wiejskich” mają stopień 4 (i są w kolorze jasnoszarym), podczas gdy węzły na „obszarach miejskich” mają wyższy stopień (i są zabarwione ciemniej), zaczynając od stopnia 5 na obrzeżach i kończąc na 8 w centrum miasta.

Staraj się tak dobierać prędkość propagacji, aby aktywacja obejmowała miasta, a następnie nie wychodziła poza ich granice.

Uważam tę symulację za oczywistą i zaskakującą. Oczywiściemiasta lepiej niż wieś utrzymują poziom kulturalny – o tym wiedzą wszyscy. Zaskakuje mnie to, że część tej różnorodności kulturowej powstaje po prostu w oparciu o topologię sieci społecznościowej.

To ciekawa kwestia, postaram się wyjaśnić ją bardziej szczegółowo.

Mamy tu do czynienia z formami kultury, które są przekazywane w prosty i bezpośredni sposób z osoby na osobę. Na przykład, maniery, gry towarzyskie, trendy w modzie, trendy językowe, rytuały w małych grupach i produkty rozpowszechniane drogą ustną, a także całe pakiety informacji, które nazywamy pomysłami.

(Uwaga: media niezwykle utrudniają rozpowszechnianie informacji między ludźmi. Łatwiej wyobrazić sobie jakieś prymitywne technologicznie środowisko, takie jak starożytna Grecja, gdzie prawie każda iskra kultury była przekazywana poprzez interakcję w przestrzeni fizycznej.)

Z powyższej symulacji dowiedziałem się, że istnieją idee i praktyki kulturowe, które mogą zakorzenić się i rozpowszechnić w mieście, ale po prostu nie mogą (matematycznie nie mogą) rozprzestrzeniać się na obszarach wiejskich. To są te same pomysły i ci sami ludzie. Nie chodzi o to, że mieszkańcy wsi są w jakiś sposób „zamknięti”: wchodząc w interakcję z tą samą ideą, tak właśnie jest dokładnie takie same szanse na złapanie gojak mieszkańcy miasta. Tyle, że sama idea nie może stać się wirusowa na obszarach wiejskich, ponieważ nie ma wielu połączeń, przez które może się rozprzestrzeniać.

Chyba najłatwiej to zaobserwować w dziedzinie mody – ubrań, fryzur itp. W sieci modowej możemy uchwycić krawędź kraty, gdy dwie osoby zauważają swoje stroje. W ośrodku miejskim każdy człowiek może spotkać dziennie ponad 1000 innych osób – na ulicy, w metrze, w zatłoczonej restauracji itp. Na wsi natomiast każdy widzi zaledwie kilkadziesiąt osób. inni. Oparte na tylko ta różnica, miasto jest w stanie wspierać więcej trendów w modzie. I tylko najbardziej przekonujące trendy – te o najwyższych szybkościach transmisji – będą mogły zdobyć przyczółek poza miastem.

Mamy tendencję do myślenia, że ​​jeśli pomysł jest dobry, w końcu dotrze do wszystkich, a jeśli pomysł jest zły, zniknie. Oczywiście jest to prawdą w skrajnych przypadkach, ale pomiędzy nimi istnieje wiele pomysłów i praktyk, które mogą rozpowszechnić się wirusowo tylko w niektórych sieciach. To jest naprawdę niesamowite.

Nie tylko miasta

Patrzymy tutaj na wpływ gęstość sieci. Jest ona definiowana dla danego zbioru węzłów jako liczba prawdziwe żeberka, podzielone przez liczbę potencjalne krawędzie. Oznacza to procent możliwych połączeń, które faktycznie istnieją.

Widzieliśmy więc, że gęstość sieci w ośrodkach miejskich jest wyższa niż na obszarach wiejskich. Ale miasta nie są jedynym miejscem, w którym występuje gęsta sieć.

Ciekawym przykładem są szkoły średnie. Na przykład dla określonego obszaru porównujemy sieć istniejącą wśród uczniów z siecią istniejącą wśród ich rodziców. Ten sam obszar geograficzny i ta sama populacja, ale jedna sieć jest wielokrotnie gęstsza od drugiej. Nic więc dziwnego, że wśród nastolatków trendy modowe i językowe rozprzestrzeniają się znacznie szybciej.

Podobnie sieci elitarne są zwykle znacznie gęstsze niż sieci nieelitarne – ten fakt moim zdaniem jest niedoceniany (ludzie popularni lub wpływowi spędzają więcej czasu w sieci i dlatego mają więcej „sąsiadów” niż zwykli ludzie). Na podstawie powyższych symulacji spodziewamy się, że elitarne sieci będą wspierać pewne formy kulturowe, których główny nurt nie może wspierać, po prostu w oparciu o prawa matematyczne dotyczące średniego stopnia sieci. Pozostawiam Państwu do spekulacji na temat tego, jakie mogą to być te formy kulturowe.

Wreszcie możemy zastosować ten pomysł w Internecie, modelując go jako ogromny i bardzo ciasny miasto. Nic dziwnego, że w Internecie kwitnie wiele nowych rodzajów kultury, których po prostu nie można wspierać w sieciach czysto przestrzennych: niszowe hobby, lepsze standardy projektowania, większa świadomość niesprawiedliwości itp. I nie chodzi tu tylko o miłe rzeczy. Tak jak wczesne miasta były wylęgarnią chorób, które nie mogły rozprzestrzeniać się przy małej gęstości zaludnienia, tak Internet jest wylęgarnią złośliwych form kulturowych, takich jak przynęta na kliknięcia, fałszywe wiadomości i podsycanie sztucznego oburzenia.

Wiedza

„Posiadanie odpowiedniego eksperta we właściwym czasie jest często najcenniejszym źródłem kreatywnego rozwiązywania problemów”. — Michael Nielsen, Wynalezienie odkrycia

Często myślimy o odkryciu lub wynalazku jako o procesie zachodzącym w umyśle pojedynczego geniusza. Uderza go przebłysk inspiracji i... Eureka! — nagle mamy nowy sposób pomiaru głośności. Albo równanie grawitacji. Albo żarówkę.

Jeśli jednak przyjmiemy punkt widzenia samotnego wynalazcy w momencie odkrycia, wówczas przyjrzymy się temu zjawisku z punktu widzenia węzła. Chociaż bardziej poprawne byłoby interpretowanie wynalazku jako sieć zjawisko.

Sieć jest ważna co najmniej z dwóch powodów. Po pierwsze, istniejące pomysły muszą przeniknąć w świadomość wynalazca. To cytaty z nowego artykułu, sekcja bibliograficzna nowej książki - olbrzymy, na których ramionach stał Newton. Po drugie, sieć ma kluczowe znaczenie dla powrotu nowego pomysłu z powrotem w świat; wynalazek, który się nie rozprzestrzenił, w ogóle nie jest warty nazywania go „wynalazkiem”. Zatem z obu tych powodów sensowne jest modelowanie wynalazku – lub szerzej rozwoju wiedzy – jako procesu dyfuzji.

Za chwilę przedstawię przybliżoną symulację tego, jak wiedza może rozprzestrzeniać się i rozwijać w sieci. Ale najpierw muszę wyjaśnić.

Na początku symulacji w każdej ćwiartce siatki znajduje się czterech ekspertów, rozmieszczonych w następujący sposób:

Ekspert 1 ma pierwszą wersję pomysłu – nazwijmy ją Idea 1.0. Ekspert 2 to osoba, która wie, jak zamienić Ideę 1.0 w Ideę 2.0. Ekspert 3 wie, jak przekształcić Ideę 2.0 w Ideę 3.0. I wreszcie czwarty ekspert wie, jak dopracować Idea 4.0.

Jest to podobne do techniki takiej jak origami, w której techniki są opracowywane i łączone z innymi technikami w celu stworzenia ciekawszych projektów. Może to być również dziedzina wiedzy, taka jak fizyka, w której nowsze prace opierają się na fundamentalnych pracach poprzedników.

Celem tej symulacji jest to, że wszyscy czterej eksperci muszą wnieść swój wkład w ostateczną wersję pomysłu. I na każdym etapie pomysł musi zostać zgłoszony odpowiedniemu ekspertowi.

Kilka zastrzeżeń. W symulacji zakodowanych jest wiele nierealistycznych założeń. Oto tylko kilka z nich:

1. Zakłada się, że pomysłów nie można przechowywać i przekazywać inaczej niż między osobami (tj. bez książek i mediów).
2. Zakłada się, że w populacji istnieją stali eksperci, którzy mogą generować pomysły, chociaż w rzeczywistości na zaistnienie odkrycia lub wynalazku wpływa wiele czynników losowych.
3. Wszystkie cztery wersje pomysłu wykorzystują ten sam zestaw parametrów SIS (szybkość transmisji, procent odporności itp.), chociaż prawdopodobnie bardziej realistyczne jest użycie różnych parametrów dla każdej wersji (1.0, 2.0 itp.)
4. Zakłada się, że pomysł N+1 zawsze całkowicie wypiera pomysł N, chociaż w praktyce często krążą jednocześnie zarówno stara, jak i nowa wersja, bez wyraźnego zwycięzcy.

… i wiele innych.

Dyskusja

Jest to absurdalnie uproszczony model rzeczywistego wzrostu wiedzy. Poza modelem pozostało wiele ważnych szczegółów (patrz wyżej). Oddaje jednak istotną istotę procesu. Można więc z zastrzeżeniami mówić o wzroście wiedzy wykorzystującym naszą wiedzę o dyfuzji.

W szczególności model dyfuzji zapewnia wgląd w to, w jaki sposób Przyspieszyć proces: Potrzeba ułatwienia wymiany pomysłów pomiędzy węzłami eksperckimi. Może to oznaczać oczyszczenie sieci z martwych węzłów utrudniających dyfuzję. Może też oznaczać umieszczenie wszystkich ekspertów w mieście lub klastrze o dużej gęstości sieci, gdzie pomysły szybko się rozprzestrzeniają. Lub po prostu zbierz je w jednym pokoju:

Więc... to wszystko, co mogę powiedzieć na temat dyfuzji.

Ale mam jeszcze jedną myśl, i to bardzo ważną. Chodzi o wzrosti stagnacja) wiedzy w środowiskach naukowych. Ten pomysł różni się tonem i treścią od wszystkich powyższych, ale mam nadzieję, że mi wybaczycie.

O sieciach naukowych

Ilustracja przedstawia jedną z najważniejszych pętli pozytywnego sprzężenia zwrotnego na świecie (i tak jest już od dłuższego czasu):

Przebieg cyklu w górę (K ⟶ T) jest dość prosty: wykorzystujemy nową wiedzę do opracowywania nowych narzędzi. Na przykład zrozumienie fizyki półprzewodników pozwala nam budować komputery.

Jednak ruch w dół wymaga wyjaśnienia. Jak rozwój technologii wpływa na wzrost wiedzy?

Jeden ze sposobów – być może najbardziej bezpośredni – polega na tym, że nowe technologie dają nam nowe sposoby postrzegania świata. Na przykład najlepsze mikroskopy pozwalają zajrzeć głębiej do wnętrza komórki, zapewniając wgląd w biologię molekularną. Lokalizatory GPS pokazują, jak poruszają się zwierzęta. Sonar umożliwia eksplorację oceanów. I tak dalej.

Jest to niewątpliwie istotny mechanizm, ale od technologii do wiedzy prowadzą co najmniej dwie inne ścieżki. Może nie są one takie proste, ale myślę, że są równie ważne:

pierwszy. Technologia prowadzi do obfitości ekonomicznej (tj. bogactwa), co pozwala większej liczbie ludzi zaangażować się w produkcję wiedzy.

Jeśli 90% populacji twojego kraju zajmuje się rolnictwem, a pozostałe 10% zajmuje się jakąś formą handlu (lub wojną), wówczas ludzie mają bardzo mało wolnego czasu na myślenie o prawach natury. Być może dlatego w dawnych czasach popularyzatorami nauki były głównie dzieci z bogatych rodzin.

Co roku w Stanach Zjednoczonych publikuje się ponad 50 000 doktoratów. Zamiast osoby, która będzie pracować w fabryce w wieku 18 lat (lub wcześniej), absolwent musi otrzymywać środki do 30., a może 40. roku życia – i nawet wtedy nie jest jasne, czy jego praca będzie miała realny wpływ ekonomiczny. Konieczne jest jednak, aby osoba osiągnęła czołową pozycję w swojej dyscyplinie, szczególnie w skomplikowanych dziedzinach, takich jak fizyka czy biologia.

Faktem jest, że z systemowego punktu widzenia specjaliści są kosztowni. A ostatecznym źródłem bogactwa publicznego, które finansuje tych specjalistów, jest nowa technologia: pług subsydiuje zagrodę.

drugi. Nowe technologie, szczególnie w dziedzinie podróży i komunikacji, zmieniają strukturę sieci społecznościowych, w których rośnie wiedza. W szczególności umożliwia ekspertom i specjalistom bliższą interakcję ze sobą.

Godne uwagi wynalazki obejmują prasę drukarską, statki parowe i koleje (ułatwiające podróżowanie i / lub wysyłanie poczty na duże odległości), telefony, samoloty i Internet. Wszystkie te technologie przyczyniają się do zwiększenia gęstości sieci, zwłaszcza w wyspecjalizowanych społecznościach (gdzie następuje prawie cały wzrost wiedzy). Na przykład sieci korespondencyjne, które wyłoniły się wśród europejskich naukowców pod koniec średniowiecza, czy sposób, w jaki współcześni fizycy korzystają z arXiv.

Ostatecznie obie te ścieżki są podobne. Jedno i drugie zwiększa gęstość sieci specjalistów, co z kolei prowadzi do wzrostu wiedzy:

Przez wiele lat podchodziłem dość lekceważąco do szkolnictwa wyższego. Krótki pobyt na studiach pozostawił w moich ustach niesmak. Ale teraz, kiedy patrzę wstecz i myślę (pomijając wszystkie problemy osobiste), muszę stwierdzić, że szkolnictwo wyższe nadal istnieje niezmiernie ważny.

Akademickie sieci społecznościowe (np. społeczności badawcze) to jedna z najbardziej zaawansowanych i cennych struktur, jakie stworzyła nasza cywilizacja. Nigdzie nie zgromadziliśmy większej koncentracji specjalistów skupionych na wytwarzaniu wiedzy. Nigdzie indziej ludzie nie rozwinęli większej umiejętności rozumienia i krytykowania swoich pomysłów. To bijące serce postępu. To właśnie w tych sieciach ogień oświecenia płonie najsilniej.

Nie możemy jednak uważać postępu za coś oczywistego. Jeśli kryzys niepowtarzalności eksperymentu i jeśli czegoś nas to nauczyło, to tego, że nauka może mieć problemy systemowe. Jest to swego rodzaju degradacja sieci.

Załóżmy, że rozróżniamy dwa sposoby uprawiania nauki: prawdziwa nauka и karierowicz. Prawdziwa nauka to praktyki, które w sposób niezawodny wytwarzają wiedzę. Motywuje ją ciekawość i charakteryzuje się szczerością (Feynman: „Widzisz, muszę po prostu zrozumieć świat”). Karierowość natomiast motywowana jest ambicjami zawodowymi i charakteryzuje się uprawianiem polityki i naukowymi skrótami. Może to wyglądać i działać jak nauka, ale nie produkuje rzetelną wiedzę.

(Tak, to przesadzona dychotomia. To tylko eksperyment myślowy. Nie wiń mnie).

Faktem jest, że gdy karierowicze zajmują miejsce w prawdziwej społeczności badawczej, rujnują pracę. Starają się promować siebie, podczas gdy reszta społeczności stara się zdobywać i dzielić się nową wiedzą. Zamiast dążyć do przejrzystości, karierowicze komplikują i mylą wszystko, aby brzmiało bardziej imponująco. Są zaangażowani w (jak powiedziałby Harry Frankfurt) naukowe bzdury. I stąd moglibyśmy modelować je jako martwe węzły, odporne na uczciwą wymianę informacji niezbędnych do wzrostu wiedzy:

Być może najlepszym modelem jest taki, w którym węzły karierowicza są nie tylko odporne na wiedzę, ale aktywnie ją rozpowszechniają. fałszywa wiedza. Fałszywa wiedza może obejmować nieistotne wyniki, których znaczenie jest sztucznie zawyżone, lub naprawdę fałszywe wyniki, które wynikają z manipulacji lub sfabrykowanych danych.

Bez względu na to, jak ich modelujemy, karierowicze z pewnością mogą udusić nasze społeczności naukowe.

To jest jak nuklearna reakcja łańcuchowa, której desperacko potrzebujemy – potrzebujemy eksplozji wiedzy – tyle że nasz wzbogacony U-235 ma w sobie za dużo niereaktywnego izotopu U-238, który tłumi reakcję łańcuchową.

Oczywiście nie ma wyraźnej różnicy między karierowiczami a prawdziwymi naukowcami. Każdy z nas ma w sobie cząstkę karierowiczostwa. Pytanie brzmi, jak długo sieć może przetrwać, zanim rozpowszechnianie wiedzy osłabnie.

Och, przeczytałeś do końca. Dziękuję za przeczytanie.

Licencja

Wózki CC0 Wszelkie prawa niezastrzeżone. Możesz wykorzystać tę pracę według własnego uznania :).

Podziękowanie

• Kevina Kwoka и Sprawa Nicky’ego za przemyślane uwagi i sugestie dotyczące różnych wersji projektu.
• Nicka Barra — za wsparcie moralne podczas całego procesu i za najbardziej pomocne opinie na temat mojej pracy.
• Keithowi A. za zwrócenie mi uwagi na zjawisko perkolacji i próg perkolacji.
• Geoffa Lonsdale’a za link do to jest esej, co (mimo wielu niedociągnięć) było głównym impulsem do pracy nad tym postem.

Interaktywne próbki esejów

• Cała twórczość Nicky'ego Case'a, zwłaszcza. „Przypowieść o wielokątach” (z Vi Hart) i „Opracowanie lepszej karty do głosowania”. To wysoka poprzeczka, jeśli chodzi o to, czym może być interaktywny esej.
• destylacja.pub: Wyjątkowo wysokiej jakości interaktywne opisy uczenia maszynowego.
• Klasyczne dzieło Breta Victora „W górę i w dół po drabinie abstrakcji”. Nie byłem zbyt dobry we wchodzeniu po schodach, ale zawsze jest jeszcze jedna próba.

Źródło: www.habr.com